Ціньсінь Цзяньтоу: значне зростання частки експорту оптоволокна з Китаю, тривала позитивна перспектива щодо сектору обчислювальної потужності AI

Джерело: Інвестсек’юритізи Сі Цзіньцзянь у дослідницькому відділі

Автор|Янь Гуйчень Юй Фанчбо Лю Йонсюй Цао Тяньюй Фан Цзілсяо

У лютому цього року наша країна експортувала оптичні волокна 3779,9 тонни на суму 7,9 млрд юанів, що на 63,6% більше, ніж торік, і на 126,8% у порівнянні. Якщо перерахувати в кілометри, то в лютому експорт оптичних волокон нашої країни становив приблизно 25,2 млн волоконокілометрів, що становить близько 65% від місячного ефективного виробництва оптичних волокон у країні; якщо додати волокна в експорті оптичних кабелів, частка експорту оптичних волокон буде ще вищою. За оцінкою за експортною сумою, здорожчання оптичних волокон щодо передавання на результати діяльності, як очікується, ще не буде надто очевидним у першому кварталі. Підсумовуючи: за кордоном триває активне закуповування китайських оптичних волокон, а постачальники оптичних волокон у Китаї перебувають у стані «не турбуються про продаж». Тому, на нашу думку, ринку також не варто надто перейматися держзакупівлями оптичних волокон з боку внутрішніх телеком-операторів. Загалом, сукупне нарощування попиту на оптичні волокна за кордоном з боку телекоммереж, AI, безпілотників тощо підтримує безперервне зростання цін; галузь перебуває у висококон’юнктурному циклі. Постійно рекомендуємо сектор оптичних волокон.

Алгоритм стиснення TurboQuant від Google реалізує стиснення AI-інференсу майже без втрат пам’яті, значно знижує витрати на інференс для довгого контексту з початку до кінця, а застосування на пристроях (edge) для AI, генерація AI-відео тощо, ймовірно, виграють; надалі високо оцінюємо AI-ланцюжок постачання.

У лютому цього року наша країна експортувала оптичні волокна 3779,9 тонни на суму 7,9 млрд юанів, що на 63,6% більше, ніж торік, і на 126,8% у порівнянні, а також збільшилося в 17,6 раза порівняно з лютим 2018 року (внутрішній історичний максимум попиту) — обсяг експорту оптичних волокон становив 203,5 тонни. Якщо перерахувати за курсом: приблизно 0,15 кг на 1 км оптичного волокна (з урахуванням пакування тощо), то в лютому експорт оптичних волокон нашої країни становив близько 25,2 млн волоконокілометрів, що становить приблизно 65% від місячного ефективного виробництва оптичних волокон у країні; якщо додати волокна в експорті оптичних кабелів, частка експорту оптичних волокон буде ще вищою. За оцінкою за експортною сумою, здорожчання оптичних волокон щодо передавання на результати діяльності, як очікується, ще не буде надто очевидним у першому кварталі. Загалом: за кордоном триває активне закуповування китайських оптичних волокон, а постачальники оптичних волокон у Китаї перебувають у стані «не турбуються про продаж». Тому, на нашу думку, ринку також не варто надто перейматися держзакупівлями оптичних волокон з боку внутрішніх телеком-операторів.

З погляду країн-експортерів оптичних волокон у лютому, топ-10 країн експорту становили: Кот-д’Івуар, Буркіна-Фасо, Польща, Філіппіни, Аргентина, Росія, Нігерія, США, Панама, Австралія. Серед них три країни Африки демонстрували значне зростання обсягів експорту, і, як очікується, це пов’язано головним чином із місцевими потребами в будівництві мереж. Крім того, попит Росії, як очікується, в основному формуватимуть безпілотники, тоді як США, Австралія, Філіппіни тощо — пов’язані з AI. Загалом, сукупне нарощування попиту на оптичні волокна за кордоном з боку телекоммереж, AI, безпілотників тощо підтримує безперервне зростання цін; галузь перебуває у висококон’юнктурному циклі. Постійно рекомендуємо сектор оптичних волокон.

Алгоритм стиснення TurboQuant, оприлюднений дослідницькою інституцією Google, може зменшити споживання пам’яті великими мовними моделями (LLM) за умови незмінної швидкості роботи та збереження точності. TurboQuant може стискати щонайменше у 6 разів «робочу пам’ять» під час запуску AI, тобто кеш значень ключ-значення (KV cache). На графічних процесорах H100, у порівнянні з базовим 32-bit, обчислювальна увага для 4-bit прискорилась у 8 разів, завдяки чому суттєво знижується вартість роботи AI. Водночас найбільш ключовий момент TurboQuant полягає в тому, що втрат точності немає: не потрібне донавчання, не потрібні навчальні дані.

Оптимізаційною метою TurboQuant є зменшення обсягу кешу значень ключ-значення. Серцевиною TurboQuant є вишукана двоетапна процедура. Перший етап: PolarQuant — змінює систему координат і «дивиться на світ» під іншим кутом. Традиційна квантова обробка працює в декартовій системі координат (осі X, Y, Z): діапазони значень для кожної осі не є фіксованими, тому потрібно додатково зберігати параметри нормалізації, щоб узгодити. Другий етап: QJL знищує залишкові похибки через 1-bit. На другому кроці TurboQuant застосовується перетворення Johnson-Lindenstrauss до залишкової похибки першого етапу: кожне значення похибки стискається до одного бітового символу — +1 або -1. Далі це поєднується з особливим оцінювачем — спільним обчисленням із використанням векторів Query високої точності та стиснених Key низької точності. За рахунок лише останнього 1 біта можна згладити систематичне зміщення, яке лишилося після першого етапу. Два кроки дозволяють TurboQuant при загальному бюджеті лише 3-bit досягти ефекту стиснення, близького до безвтратного, без будь-яких додаткових витрат протягом усього процесу.

Дослідники Google провели сувору верифікацію TurboQuant на п’яти тестових наборах довгого контексту LongBench, Needle In A Haystack, ZeroSCROLLS, RULER і L-Eval. Тестові моделі охоплюють Gemma, Mistral і Llama-3.1-8B-Instruct. На комплексних завданнях у LongBench, таких як питання-відповіді, генерація коду, підсумовування тексту тощо, TurboQuant у конфігурації 3-bit демонструє всебічно кращу продуктивність, ніж базові методи на кшталт KIVI, і навіть наближається до результатів моделей повної точності. За коефіцієнта стиснення 4× точність пошуку TurboQuant зберігається аж до 104 тисяч Token — повністю узгоджено з моделлю повної точності. У високовимірному векторному пошуку на наборі даних GloVe (200 вимірів) TurboQuant обігнав дві провідні методики — PQ та RabbiQ — і здобув найкращу частоту відтворення. Алгоритм стиснення TurboQuant від Google реалізує майже безвтратне стиснення пам’яті для AI-інференсу, значно знижуючи витрати на інференс із довгим контекстом; на пристроях (edge) AI, генерація AI-відео, як очікується, отримають вигоду, а технічні ітерації підтримають безперервне підвищення рівня AI-ланцюжка обчислювальних потужностей.

23 березня голова Державного бюро даних (National Data Bureau) Лю Лієхун на щорічному засіданні 2026 року Китайського форуму високого рівня розвитку (China Development High-Level Forum 2026) офіційно оголосив, що китайська стандартна назва ключового терміна AI Token визначена як «詞元» (цзюань). Лю Лієхун сказав, що «詞元 — це не лише ціннісний якір для інтелектуальної епохи, а й одиниця розрахунку, що з’єднує технічні пропозиції та комерційні потреби», і також повідомив, що одна з компаній із моделями встановила рекорд — дохід за 20 днів перевищив загальний дохід за весь 2025 рік. 1000 млрд, 100 трлн, 1400 трлн — це трьохетапний стрибок у середньоденному використанні Token у Китаї за два роки.

Наразі телекомунікаційна галузь перебуває в періоді подвійних вигод, що зумовлені AI-технологіями та підтримкою нової інфраструктури політиками; ланцюжок постачання обчислювальних потужностей і надалі є основною лінією з високим рівнем кон’юнктури. Обчислювальні потужності та чипи є ключовим фундаментом розвитку AI-індустрії, а також нинішньою інвестиційною основною лінією телекомунікаційної галузі з високою кон’юнктурою та високим потенціалом зростання; рекомендуємо зосередитися на тому, щоб приділити особливу увагу.

Зміни міжнародного середовища впливають на безпеку та стабільність ланцюгів постачання, а це, у свою чергу, впливає на прогрес виходу відповідних компаній на закордонні ринки; тарифний вплив виявився більшим за очікування; розвиток індустрії штучного інтелекту відбувається гірше за прогноз, що впливає на попит компаній, пов’язаних із ланцюжком хмарних обчислень; посилення ринкової конкуренції призводить до швидкого падіння маржі валового прибутку; коливання валютних курсів впливають на валютні надходження та маржу валового прибутку зовнішньоорієнтованих компаній, включно з компаніями в сегментах ICT-обладнання та оптичних модулів/оптичних компонентів; розвиток цифрової економіки та побудови «цифрового Китаю» відбувається гірше за очікування; розвиток хмарного бізнесу телеком-операторів відбувається гірше за очікування; капітальні витрати операторів не відповідають очікуванням; капітальні витрати постачальників хмарних послуг не відповідають очікуванням; попит в індустріях телекомунікаційних модулів і інтелектуальних контролерів не відповідає очікуванням.

Доступно безліч інформації та точна інтерпретація — усе в застосунку Sina Finance

Відповідальний редактор: Ван Ке